科院公司网站建设目标是什么服装设计公司排名

科院公司网站建设目标是什么,服装设计公司排名,仿京东网站后台,网站建设内容Tool-to-Agent Retrieval#xff1a;连接工具与智能体的统一检索框架#xff0c;让大模型多智能体系统更高效 大语言模型多智能体系统正迎来一场革命性突破#xff01;最新研究提出的Tool-to-Agent Retrieval框架#xff0c;通过将工具和智能体嵌入共享向量空间#xff0…Tool-to-Agent Retrieval连接工具与智能体的统一检索框架让大模型多智能体系统更高效大语言模型多智能体系统正迎来一场革命性突破最新研究提出的Tool-to-Agent Retrieval框架通过将工具和智能体嵌入共享向量空间实现了前所未有的检索效率提升。在LiveMCPBench基准测试中该方法在Recall5指标上提升19.4%在nDCG5指标上提升17.7%为构建可扩展的LLM多智能体系统开辟了新路径。论文标题 Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems来源 arXiv:2511.01854v2 https://arxiv.org/abs/2511.01854PS: 整理了LLM、量化投资、机器学习方向的学习资料关注同名公众号 「 AI极客熊 」 即刻免费解锁文章核心研究背景随着大语言模型智能体和Model Context Protocol (MCP)的快速发展助手能够在推理时发现、装备和使用大量外部工具和MCP服务器。在实际应用中单个助手可能会委托给专门的子智能体进行代码分析、数据库操作或网络搜索每个智能体在单一接口背后捆绑了数十个工具。核心挑战在于路由给定用户查询系统应该选择特定工具还是利用整个智能体如MCP服务器提供的一组协调的工具将所有工具描述转发给模型是不现实的例如一个包含26个工具的MCP服务器可能消耗超过4,600个token使得高效检索对于可扩展性变得至关重要。研究问题Agent-first路由局限性现有的智能体优先管道将查询与简短的智能体描述匹配然后仅在该智能体内操作这会隐藏那些父描述与查询明显不对齐的高度相关工具。Tool-only检索缺陷仅工具检索独立处理每个工具忽略了多步任务中周围工具包的互补优势。上下文稀释问题当许多工具被折叠成单一粗粒度描述时会导致上下文稀释影响检索精度。主要贡献统一检索框架引入了一种新颖的工具检索策略将工具及其父智能体嵌入共享向量空间通过工具到智能体元数据遍历进行链接实现统一检索并达到最先进的性能。细粒度路由机制提出了一种检索程序既保留细粒度工具级细节又维持智能体级上下文缓解了粗粒度摘要带来的上下文稀释问题提高了多步查询的鲁棒性。全面评估在LiveMCPBench上使用八个嵌入模型评估方法证明了相比先前最先进方法在Recall5上提升17.7%在nDCG5上提升19.4%的性能改进。方法论精要Tool-to-Agent Retrieval的核心创新在于将工具和其父智能体同时嵌入统一的向量空间中并通过元数据关系显式链接每个工具到其父智能体。该方法考虑了一个包含MCP服务器及其对应智能体的目录表示为a ∈ A a \in Aa∈A。每个智能体a aa拥有一组工具T a T^aTa由该智能体暴露的API调用、函数或操作组成。整个系统被建模为一个二分图G ( A , T , E ) G(A,T,E)G(A,T,E)其中边E EE表示工具和智能体之间的所有权关系。索引构建研究构建了一个统一的工具-智能体目录C \mathcal{C}C集成了工具和智能体用于检索。该目录由两个语料库组成工具语料库C T \mathcal{C}^TCT和智能体语料库C A \mathcal{C}^ACA。工具语料库包含直接索引检索的工具名称和描述每个工具条目包括显式链接到其父MCP服务器或智能体的元数据表示为o w n e r ( T ) A owner(T)Aowner(T)A。这种映射使得在查询解析期间能够从检索的工具遍历到相应的可执行智能体。智能体语料库类似地包含智能体名称和描述表示更高级别的能力并作为检索图中的父节点。检索过程检索过程修改了标准的top-K排序程序。目标是识别给定查询或子查询的前K个最相关智能体。为实现这一目标首先从统一的工具-智能体目录C \mathcal{C}C中检索前N ≫ K N \gg KN≫K个实体按与查询的语义相似度排序。这种方法结合了语义和词汇匹配策略以提高召回率利用BM25与密集向量检索并行使用。然后聚合相应的父智能体并选择前K个唯一智能体。查询策略Tool-to-Agent Retriever的输入可以是原始用户查询、从中分解的子步骤或两者的组合。研究评估了两种查询范式第一种是直接查询直接使用用户的高级问题作为检索查询无需任何预处理第二种是逐步查询将原始查询分解为一系列较小的子任务然后每个步骤独立提交给检索器允许系统在多步工作流中根据需要识别不同的智能体。该方法的算法实现如Algorithm 1所示输入包括查询q qq、语料库C \mathcal{C}C智能体∪工具、类型函数τ ( ⋅ ) ∈ { agent , tool } \tau(\cdot) \in \{\text{agent}, \text{tool}\}τ(⋅)∈{agent,tool}、所有者映射o w n ( ⋅ ) own(\cdot)own(⋅)、相似度函数s ( q , ⋅ ) s(q,\cdot)s(q,⋅)和截断值N , K N,KN,K。算法首先检索前N NN个实体然后通过遍历工具到智能体的关系最终返回前K KK个唯一智能体。实验洞察研究在LiveMCPBench数据集上评估了所提出的Tool-to-Agent Retriever的有效性该数据集包含70个MCP服务器和527个工具以及95个真实世界问题标注了逐步分解和相关工具-智能体映射。这种结构支持细粒度、步骤级的检索性能评估。平均每个问题跨越2.68个步骤涉及2.82个工具和1.40个MCP智能体。实验设置研究评估了多个嵌入模型的检索性能使用了8个嵌入模型包括闭源和开源模型。使用每个模型对数据集进行嵌入并执行语义相似度搜索以检索相关实体。首先从工具-智能体目录中检索前N ≫ K N \gg KN≫K个实体然后使用Algorithm 1选择前K KK个唯一智能体。通过将检索的智能体与评估集中每个查询相关联的真实智能体进行比较来计算检索准确性。性能结果如表1和表2所示Tool-to-Agent Retrieval在Recall、mAP和nDCG指标上始终优于先前方法。该方法在所有基线上实现了卓越性能在多个嵌入系列中观察到增益包括Vertex AI、Gemini、Titan、OpenAI和MiniLM。这些改进主要源于更丰富的检索语料库该语料库共同索引工具和智能体实现了更细粒度的语义对齐。重要的是性能提升不能仅归因于工具级检索。联合索引支持细致的匹配同时保留智能体上下文证据显示39.13%的检索前K项来自智能体语料库C A \mathcal{C}^ACA34.44%的匹配前K工具也追溯到C A \mathcal{C}^ACA。这些结果共同表明显式链接工具到其父智能体缓解了上下文稀释改善了多步路由而不牺牲细粒度精度。在所有八个嵌入模型上Tool-to-Agent Retrieval表现出 remarkably 稳定的改进相对于MCPZeroRecall5的标准偏差为0.02nDCG5的标准偏差为0.01。这种一致性表明增益是架构无关的主要由统一索引设计驱动而非特定嵌入行为。最强的相对改进在Amazon Titan v2上观察到Recall5从0.66提高到0.85相对增益28%即使是紧凑的All-MiniLM-L6-v2模型也实现了13%的改进确认了在专有和开源嵌入中的通用性。消融分析为了分离工具级信息的贡献研究还构建了一个仅包含MCP服务器名称和描述的仅智能体基线数据集。实验结果表明仅智能体检索在处理细粒度工具功能时存在显著限制而Tool-to-Agent Retrieval通过联合索引成功平衡了细粒度工具匹配和智能体级上下文保留。这项研究为统一工具和智能体选择开辟了有希望的方向激励未来研究更复杂的代理网络的可扩展检索架构。通过显式建模工具能力并启用工具级和智能体级表示之间的遍历该方法支持保留细粒度上下文的细粒度检索决策避免了粗粒度智能体摘要引入的稀释。